mxnet - 如何显式使用矩阵和矩阵运算在 MXNet 中构建模型？

Question

我可以使用诸如 FullyConnected 之类的预构建高级函数来创建模型。 .例如:

X = mx.sym.Variable('data')
P  = mx.sym.FullyConnected(data = X, name = 'fc1', num_hidden = 2)

这样我就得到了一个符号变量 P这取决于符号变量 X .换句话说，我有计算图，可用于定义模型并执行诸如 fit 之类的操作。和 predict .

现在，我想表达 P通过 X以不同的方式。更详细地说，我想指定 FullyConnected 之间的关系，而不是使用高级功能(如 P )。和 X “明确地”，使用低级张量运算(如矩阵乘法)和表示模型参数的符号变量(湖泊权重矩阵)。

例如，为了实现与上述相同的效果，我尝试了以下方法:

W = mx.sym.Variable('W')
B = mx.sym.Variable('B')
P = mx.sym.broadcast_plus(mx.sym.dot(X, W), B)

然而， P以这种方式获得并不等同于 P较早获得。我不能以同样的方式使用它。特别是，据我所知，MXNet 提示 W和 B没有值(value)(这是有道理的)。

我也尝试声明 W和 B以另一种方式(以便它们确实具有值(value)):

w = np.array([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
b = np.array([7.0, 8.0])

W = mx.nd.array(w)
B = mx.nd.array(b)

它也不起作用。我猜 MXNet 提示是因为它需要一个符号变量，但它却得到了 nd-arrays。

所以，我的问题是如何使用低级张量运算(如矩阵乘法)和表示模型参数的显式对象(如权重矩阵)来构建模型。

Answer 1

您可能想看看 Gluon API。例如，这里是从头开始构建 MLP 的指南，包括分配参数:

#######################
#  Allocate parameters for the first hidden layer
#######################
W1 = nd.random_normal(shape=(num_inputs, num_hidden), scale=weight_scale, ctx=model_ctx)
b1 = nd.random_normal(shape=num_hidden, scale=weight_scale, ctx=model_ctx)

params = [W1, b1, ...]

将它们附加到自动渐变

for param in params:
    param.attach_grad()

定义模型:

def net(X):
    #######################
    #  Compute the first hidden layer
    #######################
    h1_linear = nd.dot(X, W1) + b1
    ...

并执行它

epochs = 10
learning_rate = .001
smoothing_constant = .01

for e in range(epochs):
    ...
    for i, (data, label) in enumerate(train_data):
        data = data.as_in_context(model_ctx).reshape((-1, 784))
        label = label.as_in_context(model_ctx)
        ...
        with autograd.record():
            output = net(data)
            loss = softmax_cross_entropy(output, label_one_hot)
        loss.backward()
        SGD(params, learning_rate)

你可以在直接的涂料中看到完整的例子:

http://gluon.mxnet.io/chapter03_deep-neural-networks/mlp-scratch.html